本文關(guān)鍵詞：先驗(yàn)信息導(dǎo)引的稀疏角度CT重建算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：x射線(xiàn)計(jì)算機(jī)斷層成像(Computed Tomography, CT)作為現(xiàn)代影像學(xué)的杰出代表,具有高時(shí)間分辨率、空間分辨率及對(duì)比度分辨率的特點(diǎn),已在臨床診斷和治療中廣泛使用。大量研究表明,過(guò)高的X射線(xiàn)照射劑量將有可能對(duì)人體造成重大危害,使癌癥或其它遺傳性疾病發(fā)生的概率大幅提升。因此CT的輻射劑量安全問(wèn)題成為業(yè)界關(guān)注的焦點(diǎn)。如何以最小的代價(jià)同時(shí)最低的X射線(xiàn)劑量獲得最佳的圖像質(zhì)量,已經(jīng)成為臨床最為迫切的需求。 降低X射線(xiàn)輻射劑量的方法有很多種,最為典型的是通過(guò)降低管電流和縮短曝光時(shí)間來(lái)降低x射線(xiàn)球管的毫安秒(mAs),此外還可以通過(guò)減少掃描采樣角度數(shù)目實(shí)現(xiàn)稀疏角度采樣。然而,在降低劑量的同時(shí),上述掃描模式下解析重建的圖像質(zhì)量將嚴(yán)重退化,圖像中含有大量的噪聲和偽影,嚴(yán)重影響了臨床診斷和應(yīng)用。低mAs技術(shù)通過(guò)降低入射光子數(shù)降低輻射劑量,其投影數(shù)據(jù)特點(diǎn)主要表現(xiàn)為嚴(yán)重的噪聲,隨之圖像質(zhì)量將顯著退化。針對(duì)這種低mAs技術(shù)的成像手段主要分為三種方法：第一種方法是直接圖像域針對(duì)性設(shè)計(jì)濾波器,對(duì)低劑量CT圖像中的噪聲進(jìn)行濾波,這種處理方式一般屬于圖像后處理；第二種方法是根據(jù)投影數(shù)據(jù)的噪聲分布特征在投影域建立統(tǒng)計(jì)恢復(fù)模型,首先在投影域?qū)ν队皵?shù)據(jù)進(jìn)行恢復(fù),然后采用傳統(tǒng)濾波反投影(Filtered Back-Projection, FBP)方法進(jìn)行重建；第三種方法是根據(jù)投影數(shù)據(jù)滿(mǎn)足的統(tǒng)計(jì)學(xué)分布規(guī)律,直接構(gòu)建由投影數(shù)據(jù)到重建圖像的統(tǒng)計(jì)迭代目標(biāo)函數(shù),直接圖像域?qū)崿F(xiàn)CT迭代重建。稀疏角度(Sparse-view)技術(shù)通過(guò)降低旋轉(zhuǎn)一周的采樣數(shù)降低輻射劑量,由于降采樣,獲得的投影數(shù)據(jù)不滿(mǎn)足數(shù)據(jù)完備性條件,因此采用傳統(tǒng)解析算法重建圖像中有明顯的條形偽影。近年來(lái),針對(duì)這類(lèi)稀疏角度CT重建算法主要分為基于投影域的數(shù)據(jù)插值或變換的方法和基于圖像域的壓縮感知迭代重建方法。其中,由于稀疏角度數(shù)據(jù)缺失比較嚴(yán)重,簡(jiǎn)單的插值或空間變換迭代并不能得到很滿(mǎn)意的重建結(jié)果,往往損失了原有的結(jié)構(gòu)及局部細(xì)節(jié)。而迭代重建算法往往能夠精確模擬系統(tǒng)成像幾何,因此能夠更好的處理X線(xiàn)多能光譜、線(xiàn)束硬化、散射、噪聲等多種問(wèn)題,在CT固有的物理系統(tǒng)建模方面具有較大的優(yōu)勢(shì)。因此,同其他方法相比,迭代重建算法能在更好的保持或者提高圖像空間分辨力的同時(shí)抑制偽影和噪聲。 近年來(lái),針對(duì)稀疏角度CT圖像優(yōu)質(zhì)重建的研究主要基于壓縮感知(Compress Sensing, CS)算法。CS理論的提出為處理不完全投影數(shù)據(jù)重建問(wèn)題提供了新的理論依據(jù)。CT中不完全投影數(shù)據(jù)重建問(wèn)題從本質(zhì)上源于傅里葉空間中頻譜不充分采樣,即采樣頻率低于奈奎斯特(Nyquist)采樣頻率。CS理論的原理是：當(dāng)信號(hào)具有某種稀疏表達(dá)時(shí),可選擇適當(dāng)?shù)姆椒?用遠(yuǎn)低于Nyquist頻率的采樣對(duì)原始信號(hào)進(jìn)行精確重構(gòu)。由于稀疏采樣的投影數(shù)據(jù)具有不完備性,圖像表現(xiàn)為嚴(yán)重的條形偽影。進(jìn)一步的,Sidky證明了一個(gè)信號(hào)如果是稀疏表示的,則可以利用全變分(Total Variation, TV)最小化的方法從少量測(cè)量數(shù)據(jù)中精確重建信號(hào)。全變分算法由兩項(xiàng)組成,即凸集投影(Projection Onto Convex Set, POCS)和梯度下降。POCS進(jìn)行一致性和非負(fù)性約束,梯度下降進(jìn)行TV最小化獲取新的估計(jì)圖像。在此基礎(chǔ)上隨后發(fā)展出了完善的自適應(yīng)最速梯度下降-凸集投影算法。 基于壓縮感知的迭代重建算法,總體上分為代數(shù)迭代重建算法(Algebraic Reconstruction Technique, ART)和統(tǒng)計(jì)迭代重建算法(Statistic Iterative Reconstruction, SIR)兩種�；诖鷶�(shù)迭代重建技術(shù)的有限角度重建,其核心思想是將斷層測(cè)量中的二次投影視為一些通過(guò)橫截面的未知目標(biāo)函數(shù)的投影集。在這基礎(chǔ)上,隨后發(fā)展出了將全變分約束與凸集投影相結(jié)合的方法,并取得了成功�；趬嚎s感知的代數(shù)重建技術(shù)重建算法,其最顯著的缺點(diǎn)是沒(méi)有對(duì)數(shù)據(jù)噪聲進(jìn)行統(tǒng)計(jì)建模。相較于ART重建算法,SIR重建算法能基于光子統(tǒng)計(jì)學(xué)建立多種更精確的噪聲模型,在降低圖像噪聲方面有更佳的表現(xiàn)。常規(guī)的,在迭代重建過(guò)程中,準(zhǔn)確建模投影數(shù)據(jù)的測(cè)量方程是得到優(yōu)質(zhì)重建的前提和基礎(chǔ),而先驗(yàn)信息(Prior Information)的合理利用能夠在一定程度上改善病態(tài)重建問(wèn)題,對(duì)于避免求解的多義性及獲得高精度重建圖像具有非常重要的意義。 目前,在疾病的臨床診斷和治療過(guò)程中,常用到反復(fù)的CT掃描,如在灌注CT成像、4D-CT成像、CT圖像引導(dǎo)的活體組織穿刺檢查以及圖像引導(dǎo)放療等過(guò)程中。以圖像引導(dǎo)放療為例,除計(jì)劃階段CT掃描外,在整個(gè)放射治療階段,在分次治療前需對(duì)患者進(jìn)行CBCT掃描來(lái)進(jìn)行定位,在此情況下,患者所接受的累加輻射劑量較常規(guī)CT檢查掃描將會(huì)很高,反復(fù)CT掃描增加了罹患腫瘤的風(fēng)險(xiǎn)。在上述反復(fù)CT掃描過(guò)程中,對(duì)同一個(gè)病人,先后兩次CT掃描的圖像之間除了幾何位置和不自主運(yùn)動(dòng)引起的某些不同外,大部分解剖結(jié)構(gòu)是相同的。換句話(huà)說(shuō),兩次掃描獲取的CT圖像之間存在大量的冗余信息。然后,事實(shí)上,由于掃描時(shí)間的差異,成像器官的位置會(huì)隨著病人的自主和不自主的運(yùn)動(dòng)而不斷地變化,同時(shí)血管或組織密度也可能因?yàn)樵煊皠┑淖⑸洳粩嘧兓�。人體器官的運(yùn)動(dòng)和增強(qiáng)劑的強(qiáng)弱都會(huì)引入前后兩次掃描圖像的不一致,這種不一致將不可避免的導(dǎo)致最終重建結(jié)果的偏差。因此,如何合理利用先前掃描正常劑量圖像信息提高最終稀疏角度數(shù)據(jù)重建圖像質(zhì)量,同時(shí)最大限度減少運(yùn)動(dòng)和不配準(zhǔn)所引入的偏差將成為本次研究的重點(diǎn)。 另外,將降低管電流和稀疏采樣這兩種低劑量手段加以結(jié)合,能夠?qū)崿F(xiàn)超低劑量,其成像技術(shù)仍然是一個(gè)嶄新的領(lǐng)域,針對(duì)超低劑量成像的方法將是未來(lái)一個(gè)熱點(diǎn)問(wèn)題。然而針對(duì)同時(shí)降低管電流和稀疏采樣這類(lèi)超低劑量問(wèn)題,由于低管電流引入了大量的噪聲,這些噪聲嚴(yán)重影響了稀疏角度數(shù)據(jù)的重建。因此,如何在重建前對(duì)投影數(shù)據(jù)進(jìn)行預(yù)處理,最終實(shí)現(xiàn)既降低噪聲又抑制偽影的目的,也是本次研究的重點(diǎn)。 歸納起來(lái),本論文的主要內(nèi)容有： (1)一種先驗(yàn)圖像導(dǎo)引的全變分稀疏角度CT迭代重建方法。該方法通過(guò)引入先前掃描正常劑量圖像提高稀疏角度圖像質(zhì)量。為合理的引入先驗(yàn)圖像信息,同時(shí)突破傳統(tǒng)先驗(yàn)依賴(lài)的圖像局部鄰域內(nèi)的像素灰度信息的約束,本文利用非局部平均(Non-local Means, NLM)的思想通過(guò)在固定大小的搜索窗內(nèi)檢測(cè)基于圖像塊匹配的像素相似性實(shí)現(xiàn)基于先驗(yàn)圖像的先驗(yàn)信息的有效引入。本算法在懲罰加權(quán)最小二乘算法(Penalized Weighted Least-Square, PWLS)框架下實(shí)行,結(jié)合了TV算法在稀疏角度圖像重建中的優(yōu)越特性。基于以往的工作經(jīng)驗(yàn),該算法采用交替最小化方法對(duì)目標(biāo)函數(shù)進(jìn)行求解。在交替過(guò)程中,待重建圖像不斷得到更新,同時(shí)用于衡量待重建低劑量圖像和正常劑量圖像之間相似性的權(quán)重也在不斷更新。為了驗(yàn)證算法有效性,分別進(jìn)行了仿真實(shí)驗(yàn)和真實(shí)數(shù)據(jù)實(shí)驗(yàn)。其中仿真實(shí)驗(yàn)分別采用Shepp-Logan體模以及數(shù)字NCAT體模,真實(shí)數(shù)據(jù)實(shí)驗(yàn)采用一組人體軀干仿真體模數(shù)據(jù),分別結(jié)合圖像視覺(jué)效果、噪聲分辨率水平以及圖像質(zhì)量評(píng)價(jià)準(zhǔn)則(峰值信噪比,平均百分均方誤差、平均百分絕對(duì)誤差等)對(duì)重建結(jié)果進(jìn)行比較。最終實(shí)驗(yàn)結(jié)果表明,本方法減少了對(duì)配準(zhǔn)的需求,在邊緣細(xì)節(jié)保持以及噪聲和分辨率水平都有顯著的提高,實(shí)現(xiàn)了稀疏角度CT的優(yōu)質(zhì)重建。 (2)一種投影數(shù)據(jù)恢復(fù)導(dǎo)引的超低劑量CT圖像重建方法。該方法主要分為超低劑量CT投影數(shù)據(jù)的PWLS'恢復(fù)預(yù)處理和基于恢復(fù)后投影數(shù)據(jù)的CT稀疏角度重建兩個(gè)步驟。本方法首先對(duì)獲得的超低劑量CT投影數(shù)據(jù)進(jìn)行PWLS恢復(fù)預(yù)處理,去除低管電流所引入的噪聲,然后采用基于PWLS框架的TV最小化方法進(jìn)行統(tǒng)計(jì)迭代重建。分別采用數(shù)字NCAT模型仿真數(shù)據(jù)和人體頭部真實(shí)數(shù)據(jù)對(duì)算法進(jìn)行了驗(yàn)證。實(shí)驗(yàn)中,旋轉(zhuǎn)一周采樣值被設(shè)定為不同等級(jí)用于仿真的稀疏角度投影數(shù)據(jù),同時(shí)電流強(qiáng)度被設(shè)定為不同等級(jí)用于仿真不同程度的低mAs投影數(shù)據(jù)。最終分別結(jié)合圖像視覺(jué)效果和圖像質(zhì)量評(píng)價(jià)準(zhǔn)則(相對(duì)均方根誤差和平均百分絕對(duì)誤差等)對(duì)重建結(jié)果進(jìn)行比較。結(jié)果表明,本方法可實(shí)現(xiàn)超低劑量CT的優(yōu)質(zhì)重建,實(shí)現(xiàn)大幅降低CT輻射劑量的目的。值得一提的是,通過(guò)比較可以看出,投影數(shù)據(jù)的恢復(fù)處理這一步的作用顯得尤為重要。
【關(guān)鍵詞】：稀疏角度CT 先驗(yàn)信息 加權(quán)最小二乘 全變分 非局部平均 統(tǒng)計(jì)圖像重建
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TP391.41;R814.2
【目錄】：

• 摘要3-8
• ABSTRACT8-15
• 第一章 緒論15-20
• 1.1 引言15-17
• 1.2 研究背景17-18
• 1.3 研究?jī)?nèi)容18-19
• 1.4 組織結(jié)構(gòu)19-20
• 第二章 CT成像原理與低劑量CT概述20-36
• 2.1 引言20-21
• 2.2 CT成像原理21-25
• 2.2.1 CT設(shè)備的基本組成21
• 2.2.2 朗伯比爾定律21-22
• 2.2.3 Radon變換22-23
• 2.2.4 傅里葉切片定理23-25
• 2.3 基本重建算法25-29
• 2.3.1 濾波反投影重建算法25-27
• 2.3.2 代數(shù)迭代重建算法27-28
• 2.3.3 統(tǒng)計(jì)迭代重建算法28-29
• 2.4 低劑量CT成像原理及特點(diǎn)29-33
• 2.4.1 低管電流成像技術(shù)30-31
• 2.4.2 稀疏角度成像技術(shù)31-33
• 2.5 稀疏角度重建算法33-36
• 2.5.1 壓縮感知算法33-34
• 2.5.2 基于壓縮感知的代數(shù)迭代重建算法34
• 2.5.3 基于壓縮感知的統(tǒng)計(jì)迭代重建算法34-36
• 第三章 先驗(yàn)圖像導(dǎo)引的全變分稀疏角度CT迭代重建36-55
• 3.1 引言36-37
• 3.2 模型與方法37-40
• 3.2.1 懲罰加權(quán)最小二乘算法37
• 3.2.2 全變分算法37-38
• 3.2.3 先驗(yàn)圖像導(dǎo)引的非局部平均算法38-40
• 3.3 先驗(yàn)圖像導(dǎo)引的全變分稀疏角度CT迭代重建40-41
• 3.4 實(shí)驗(yàn)與分析41-53
• 3.4.1 重建中各參數(shù)的選擇41
• 3.4.2 仿真實(shí)驗(yàn)41-51
• 3.4.3 真實(shí)數(shù)據(jù)實(shí)驗(yàn)51-53
• 3.5 結(jié)論與討論53-55
• 第四章 投影數(shù)據(jù)恢復(fù)導(dǎo)引的超低劑量CT圖像重建55-65
• 4.1 引言55-57
• 4.2 投影數(shù)據(jù)恢復(fù)導(dǎo)引的超低劑量CT圖像重建57-58
• 4.2.1 投影數(shù)據(jù)恢復(fù)預(yù)處理57
• 4.2.2 超低劑量CT稀疏角度重建57-58
• 4.3 實(shí)驗(yàn)與分析58-63
• 4.3.1 仿真實(shí)驗(yàn)59-62
• 4.3.2 真實(shí)數(shù)據(jù)實(shí)驗(yàn)62-63
• 4.4 結(jié)論與討論63-65
• 第五章 總結(jié)及展望65-67
• 5.1 工作總結(jié)65
• 5.2 工作展望65-67
• 參考文獻(xiàn)67-74
• 碩士期間學(xué)術(shù)成果74-76
• 致謝76-77

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 王林元;李磊;閆鑌;江成順;王浩宇;包尚聯(lián);;稀疏信號(hào)恢復(fù)理論在CT圖像重建中的應(yīng)用[J];CT理論與應(yīng)用研究;2009年03期

2 張喜樂(lè);田玲玲;黃靜;馬建華;張華;馮前進(jìn);陳武凡;;基于非局部權(quán)值先驗(yàn)和GPU加速的3D低劑量CT成像[J];南方醫(yī)科大學(xué)學(xué)報(bào);2011年12期

3 張?zhí)N婉;劉洋;黃靜;曾棟;邊兆英;張華;馬建華;;正常劑量掃描導(dǎo)引的低劑量心血管CT造影圖像恢復(fù)[J];南方醫(yī)科大學(xué)學(xué)報(bào);2013年09期

4 黃桂玲;孫戈新;劉劍平;;心臟CT成像的研究進(jìn)展[J];中國(guó)老年學(xué)雜志;2010年21期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 劉文磊;低劑量CT成像與稀疏角度重建研究[D];第四軍醫(yī)大學(xué);2013年

  本文關(guān)鍵詞：先驗(yàn)信息導(dǎo)引的稀疏角度CT重建算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：351007